左图模型只检测到一个目标，且是正确的，根据定义Precision=1，但是漏掉了很多目标。右图，检测到比实际多很多的框，数量取胜，所有目标均检测到，根据定义Recall=1，但是有很多的错误。统计每张图的与真值有交集的检测框：GT ID、置信度、是否是目标（IOU>0.5），然后按照置信度倒排序。Precision（查准率、精度）：TP / (TP + FP) 模型预测的所有目标中，预测正确的比例

声明：文章仅作知识整理、分享，如有侵权请联系作者删除博文，谢谢！在正则化方法中，Dropout 是非常有用和成功的一种技术，能够有效控制过拟合（overfitting）Definitely问题。一般来说，Dropout 会随机删除一些神经元，以在不同批量上训练不同的神经网络架构。Bagging 是通过结合多个模型降低泛化误差的技术，主要的做法是分别训练几个不同的模型，然后让所有模型表决测试样例的输

python-docx库来创建word文档，但是对于文档的修改功能并不灵活。python-docx-template 模块主要依赖两个库， python-docx用于读取，编写和创建子文档 ， jinja2用于管理插入到模板docx中的标签。其基本思路是利用jinja2制作Word模板，并动态向模板中插入文字、图片、表格等内容。1）2）3）

1、ippicv下载失败根据提示，找到build/CMakeDownloadLog.txt文件，打开。找到链接：https://raw.githubusercontent.com/opencv/opencv_3rdparty/a56b6ac6f030c312b2dce17430eef13aed9af274/ippicv/ippicv_2020_lnx_intel64_20191018_genera

针对文章：ubuntu18.04下opencv3.4编译_alex1801的博客-CSDN博客，出现的安装错误进行整理。1、fatal error: boostdesc_bgm.i: 没有那个文件或目录安装OpenCV-contrib时报错：fatal error: boostdesc_bgm.i: 没有那个文件或目录 compilation terminated.原因：缺少文件，在构建的时候没有

测试环境：ubuntu18.04+opencv4.2+Qt一个基础的opencv读取视频并显示demo。video.pro文件：SOURCES += main.cppINCLUDEPATH += /usr/local/opencv4/include/opencv4 \/usr/local/opencv4/include/opencv4/opencv2LIBS += -L/usr/local/ope

dnn测试使用示例，以分类网络为例实现。1、加载DNN模型def load_model(onnx_model):net = cv2.dnn.readNetFromONNX(onnx_model)net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)retur

转自：https://blog.csdn.net/ap1005834/article/details/51226660

mosaic数据增强则利用了四张图片，对四张图片进行拼接，每一张图片都有其对应的框框，将四张图片拼接之后就获得一张新的图片，同时也获得这张图片对应的框框，然后我们将这样一张新的图片传入到神经网络当中去学习，相当于一下子传入四张图片进行学习了。论文中说这极大丰富了检测物体的背景！且在标准化BN计算的时候一下子会计算四张图片的数据！如下图所示：1、首先随机取四张图片2、分别对四张图片进行数据增广操作，

https://github.com/pytorch/serve/tree/v0.2.0/model-archiver#creating-a-model-archivetorchserve --help查看使用方式：torch-model-archiver -h有效的型号名称必须以字母开头，并且只能包含字母，数字，下划线_，破折号-和句点.。当使用Register Model API注册模型时，可